第 7 章：图像处理

图像处理是 MATLAB 的一大应用领域。得益于 MATLAB 丰富的图像处理函数库,我们可以非常方便地使用 MATLAB 对图像进行各种操作,如读取、显示、变换、滤波、分割、特征提取等。本章我们将全面学习 MATLAB 图像处理的相关内容。

7.1 图像的读取与显示

在用 MATLAB 进行图像处理之前,首先需要将图像读入到 MATLAB 的工作空间中。MATLAB 支持读取多种常见的图像格式,如 bmp、jpg、png、tif 等。

7.1.1 读取图像文件

使用 imread 函数可以将图像文件读取到 MATLAB 中,其用法为:

I = imread('filename')

其中 'filename' 是要读取的图像文件名(包含路径)。例如,读取一幅名为 lena.jpg 的图像:

I = imread('lena.jpg');

如果图像是灰度图,则返回的 I 是一个二维数组,数组元素表示图像像素灰度值。如果图像是 RGB 彩色图,则返回的 I 是一个三维数组,前两维表示图像像素位置,第三维索引对应 R/G/B 三个通道。

7.1.2 显示图像

读取图像后,可以使用 imshow 函数在图形窗口中显示图像:

imshow(I)

其中 I 是之前用 imread 读取的图像数组。例如:

I = imread('cameraman.tif');
imshow(I)

显示效果如下:

除了 imshow,还可以使用 image 或 imagesc 函数显示图像,它们对图像的处理和显示方式略有不同,可以根据需要选用。

7.1.3 图像的基本属性

图像读取后,我们可以通过一些函数获取图像的基本属性:

• 使用size函数获取图像的尺寸(高度和宽度)
• 使用ndims函数获取图像数组的维度
• 使用class函数获取图像数据的类型

例如:

I = imread('rice.png');
[height, width] = size(I);
dims = ndims(I);
classname = class(I);

disp(['图像尺寸: ' num2str(height) '行 ' num2str(width) '列'])
disp(['图像维度: ' num2str(dims)])
disp(['数据类型: ' classname])

输出结果:

图像尺寸: 256 行 256 列
图像维度: 2
数据类型: uint8

可见该图像是一幅 256*256 的灰度图像。了解图像的这些基本属性,对于后续的图像处理很有帮助。

7.2 图像的基本操作

7.2.1 图像的裁剪与缩放

使用 imcrop 可以裁剪图像的指定区域,其调用格式为:

J = imcrop(I, rect)

其中 I 为原图像,rect 是一个 1_4 的向量,指定了裁剪区域的左上角和右下角坐标。例如,裁剪上述 cameraman 图像的左上角 100_100 的区域:

I = imread('cameraman.tif');
rect = [1 1 100 100];  % 指定裁剪区域
J = imcrop(I, rect);
imshow(J)

使用 imresize 可以缩放图像,其用法为:

J = imresize(I, scale)

其中 scale 指定了缩放比例,可以是一个 1*2 的向量,分别表示行、列的缩放比例,也可以是一个标量,表示图像整体的缩放比例。 例如,将上述 cameraman 图像缩小为原来的一半:

I = imread('cameraman.tif');
J = imresize(I, 0.5);
imshow(J)

7.2.2 图像的旋转与翻转

使用 imrotate 可以旋转图像,其调用格式为:

J = imrotate(I, angle)

其中 angle 指定了顺时针旋转的角度,单位为度。例如,将图像逆时针旋转 30°:

I = imread('cameraman.tif');
J = imrotate(I, -30);
imshow(J)

使用 fliplr 和 flipud 可以对图像进行左右翻转和上下翻转,用法很简单:

J1 = fliplr(I);  % 左右翻转
J2 = flipud(I);  % 上下翻转

7.2.3 图像的颜色空间转换

彩色图像有多种颜色空间表示,常见的有 RGB、HSV、YCbCr 等。不同的颜色空间适合不同的处理。在 MATLAB 中可以方便地进行图像的颜色空间转换。

I_hsv = rgb2hsv(I);  % RGB 转 HSV
I_ycbcr = rgb2ycbcr(I);  % RGB 转 YCbCr
I_gray = rgb2gray(I);  % RGB 转灰度

下面以一幅彩色图像为例,将其转换为 HSV 颜色空间,并分别显示 H、S、V 三个通道:

I = imread('peppers.png');
hsv = rgb2hsv(I);
h = hsv(:, :, 1);
s = hsv(:, :, 2);
v = hsv(:, :, 3);

figure,
subplot(2,2,1), imshow(I), title('RGB')
subplot(2,2,2), imshow(h), title('Hue')
subplot(2,2,3), imshow(s), title('Saturation')
subplot(2,2,4), imshow(v), title('Value')

显示结果如下,可以看到 HSV 三个通道分别表示色调、饱和度和明度信息:

7.3 图像的增强与修复

图像增强的目的是为了突出图像的某些特征,或者抑制图像的某些干扰,常用的方法有对比度增强、平滑、锐化等。图像修复则是去除图像中的噪声、污点等。下面介绍几种常用方法。

7.3.1 图像的平滑与锐化

图像平滑可以抑制图像噪声,使图像更加平滑,常用的方法有均值滤波和高斯滤波。例如,对图像进行 3*3 的均值滤波:

I = imread('circuit.tif');
J = imfilter(I, fspecial('average', 3));

其中 fspecial 函数生成了一个 3*3 的均值滤波器,imfilter 函数用该滤波器对图像进行滤波。 图像锐化可以增强图像边缘,使图像更清晰,常用的方法有拉普拉斯算子和 unsharp 滤波器。例如,用拉普拉斯算子进行锐化:

I = imread('moon.tif');
laplacian = [0 1 0; 1 -4 1; 0 1 0];
J = imfilter(I, laplacian);

其中定义了拉普拉斯滤波器,用它对图像进行卷积滤波,得到锐化后的图像。

原图	锐化后

7.3.2 图像的对比度调整

对比度反映了图像的明暗差异。提高对比度可以使图像更鲜明。常用的方法有灰度拉伸、直方图均衡化等。 灰度拉伸就是将图像灰度范围拉伸到 [0,1],提高对比度:

I = imread('pout.tif');
J = imadjust(I, stretchlim(I));

其中 stretchlim 计算图像的灰度范围,imadjust 根据该范围对图像灰度进行拉伸。 直方图均衡化通过重新分布图像的灰度值,使分布更加均匀,从而增强对比度:

I = imread('pout.tif');
J = histeq(I);

函数 histeq 实现了直方图均衡化。

原图	均衡化后

7.3.3 图像的修复与去噪

图像修复主要用于去除图像中的污点、划痕等。以去除椒盐噪声为例,可以用中值滤波:

I = imread('eight.tif');
J = medfilt2(I);

其中 medfilt2 函数实现了二维中值滤波。

有噪声	去噪后

7.4 图像的分割与特征提取

图像分割将图像分割成若干个区域,每个区域内具有相似的特征。特征提取则是提取图像的一些特征,如边缘、角点、纹理等,为后续的目标检测和识别做准备。

7.4.1 图像分割的基本方法

常用的图像分割方法有阈值分割、区域生长、分水岭等。以阈值分割为例:

I = imread('coins.png');
bw = imbinarize(I);

其中 imbinarize 用 Otsu 算法自动确定二值化阈值,并对图像进行二值化,得到分割结果。 分水岭算法可以用于分割粘连的目标:

I = imread('coins.png');
bw = imbinarize(I);
D = bwdist(~bw);
L = watershed(D);

其中 bwdist 计算二值图像的距离变换,将其作为分水岭算法的输入,最终得到分割标签矩阵 L。

7.4.2 边缘检测

边缘是图像灰度变化剧烈的地方,包含了图像的重要信息。常用的边缘检测算子有 Sobel、Canny 等。例如:

I = imread('cameraman.tif');
BW1 = edge(I, 'sobel');
BW2 = edge(I, 'canny');

分别用 Sobel 和 Canny 算子提取图像边缘,得到二值化的边缘图。

7.4.3 特征点提取与匹配

特征点是图像中一些特殊的点,如角点、斑点等,它们的位置和邻域信息可用于图像配准、目标跟踪等。常用的特征点检测算法有 Harris、SURF 等。

I = imread('cameraman.tif');
corners = detectHarrisFeatures(I);
[features, valid_corners] = extractFeatures(I, corners);

上述代码用 Harris 算法检测图像的角点,并提取角点的特征描述子,可用于后续的特征匹配。 为了匹配两幅图像中的特征点,可以用特征描述子进行相似性度量。例如,用 matchFeatures 函数进行基于欧氏距离的特征匹配:

I1 = imread('cameraman1.tif');
I2 = imread('cameraman2.tif');

corners1 = detectHarrisFeatures(I1);
corners2 = detectHarrisFeatures(I2);

[f1, valid_corners1] = extractFeatures(I1, corners1);
[f2, valid_corners2] = extractFeatures(I2, corners2);

indexPairs = matchFeatures(f1, f2);

matched_corners1 = valid_corners1(indexPairs(:,1),:);
matched_corners2 = valid_corners2(indexPairs(:,2),:);

figure, showMatchedFeatures(I1, I2, matched_corners1, matched_corners2);

上述代码首先分别在两幅图像中检测 Harris 角点,并提取角点特征。然后用 matchFeatures 匹配两幅图中的特征,最后用 showMatchedFeatures 显示匹配结果。 互动与进阶学习 尝试用本章学到的知识完成以下小练习: 1. 读入一幅彩色图像,将其转为灰度图,并分别画出转换前后的图像直方图,比较两者的区别。 2. 用高斯滤波器对一幅图像进行平滑,并调节高斯滤波器的标准差,观察其对平滑效果的影响。 3. 对一幅低对比度的图像,分别用灰度拉伸和直方图均衡化进行增强,比较两种方法的增强效果。 4. 用 Canny 算子对图像进行边缘检测,并调节其阈值参数,观察阈值对检测结果的影响。尝试用不同的边缘检测算子,比较它们的检测效果。 如果你对图像处理感兴趣,这里有一些拓展学习资源推荐: - 《数字图像处理》(冈萨雷斯)：经典的图像处理入门教材,系统全面。 - 《MATLAB 图像处理》：专门介绍用 MATLAB 进行图像处理,有较多示例代码。 - MATLAB 官方图像处理工具箱文档：查阅图像处理函数的用法。 - 各种图像处理竞赛,如 kaggle 上的图像分类、分割比赛,可以学习他人的优秀代码。 本章我们学习了 MATLAB 图像处理的基础知识,包括图像的读取显示、基本操作、增强修复、分割与特征提取等。MATLAB 图像处理函数强大而丰富,熟练掌握它们可以让我们轻松处理各种图像问题。在后续章节中,我们将继续学习更高级的图像处理技术,如图像配准、目标检测与识别等。